과학적 진보는 이를 가능하게 하는 기여(contributions)의 연속적인 흐름에 의존하지만, 기존의 AI4Science 벤치마크들은 진보를 가능하게 하는 의존성(dependencies)보다는 인용 예측(citation prediction), 문헌 검색(literature retrieval), 또는 아이디어 생성(idea generation)에 주로 집중하고 있습니다. 본 논문에서 우리는 발견 경로 예측(discovery pathway forecasting)을 소개합니다. 이는 목표로 하는 과학적 기여와 특정 시점에 가용한 이전 문헌이 주어졌을 때, (1) 이를 실현하는 데 필요한 선행 기여(enabling contributions)를 식별하고, (2) 그러한 선행 연구가 존재할 경우 각 기여를 이전 연구에 근거(grounding)시키는 작업입니다. 우리는 머신러닝(machine learning) 및 자연어 처리(natural language processing) 논문들로부터 구축된 262개의 전문가 주석 골드 경로(gold pathways)와 2,444개의 실버 경로(silver pathways)로 구성된 벤치마크인 SciPaths를 제시합니다. 각 경로는 선행 기여, 역할, 근거, 그리고 이전 연구에 대한 근거 제시 또는 매핑되지 않은 결정들을 기록합니다. 최첨단(frontier) 모델 및 오픈 웨이트(open-weight) 언어 모델들을 평가한 결과, 가장 우수한 모델조차 엄격한 의미론적 매칭(semantic matching) 하에서 0.189 F1 점수에 불과했으며, 특히 핵심적인 방법론적 의존성을 복구하는 것이 가장 어려웠습니다. 골드 선행 기여가 제공될 때 이전 연구 근거 제시 성능은 실질적으로 향상되었으며, 이는 분해(decomposition) 품질이 엔드투엔드(end-to-end) 경로 복구의 주요 병목 구간임을 보여줍니다. 따라서 SciPaths는 과학적 예측에서 누락된 역량, 즉 목표 기여로부터 이를 가능하게 하는 선행 과학적 구성 요소 및 이전 연구 의존성으로 역추론(reasoning backward)하는 방향으로 평가의 중심을 이동시킵니다.